CN109345027B - 基于独立成分分析与支持向量机的微电网短期负荷预测方法 - Google Patents

Abstract

本发明公开了一种基于独立成分分析与支持向量机的微电网短期负荷预测方法，包括：采用Chebyshevv正交多项式对微电网区域历史日负荷数据进行曲线拟合，及增加罚函数进行优化；更新历史负荷数据并利用独立成分分析方法进行独立元分析，获取历史负荷数据的负荷独立分离源和混合矩阵；对历史日和预测日获取的气象数据，采用主成分分析方法获取主成分向量，并结合日期数据共同组建决策数据；将历史负荷数据的混合矩阵作为目标数据，结合历史日决策数据，采用支持向量机配合烟花算法对其参数惩罚因子和核参数寻优，获取最优支持向量机训练模型；将预测日决策数据代入，得到预测日负荷曲线。本发明可去除噪声干扰，能有效准确地预测微电网未来短期内的负荷。

Description

基于独立成分分析与支持向量机的微电网短期负荷预测方法

技术领域

本发明涉及基于独立成分分析与支持向量机的微电网短期负荷预测方法，属于电力系统调度与运行技术领域。

背景技术

随着社会不断地发展，人类对能源的需求量也越来越大。在电力行业，以传统化石能源为主的发电格局也因为资源逐渐枯竭和环境问题越发显现其弊端，随着近几年科学技术的发展，各种可在新能源发电，如风电和光伏发电，逐渐应用于电力系统中来，但其在解决能源枯竭问题的同时也给电力系统调度和运行带来了问题和挑战。

传统的短期负荷预测有时间序列法、趋势外推法、灰色系统法等，相比如传统的配电网，微电网负荷更能受温度、湿度、风速、节假日类型等因素的影响。因此，在含有多种新能源发电的微电网系统中，微电网中的短期负荷需求具有典型的气象特性和日期特性，短期负荷预测具有一定的难度。目前较多的关于微电网的短期负荷预测方法虽然在一定程度上是可行的，但也存在一些不足，主要表现在以下几个方面：

1.考虑的微电网负荷气象因素过少。现有的部分微电网负荷预测研究方法对气象因素的利用具有局限性(平均风速、平均光照、平均温度)，若要比较准确地反映天气情况，实际需要的气象数据维度很高(超过10维)。

2.缺乏对气象数据内部的相关性处理。现有的相关研究中也有考虑气象数据多维度的预测方法，但鲜有研究对多维数据进行相关性处理(比如光照和温度具有强相关性)，以至于造成基础数据中存在较大的耦合，给预测精度带来了影响。

3.未采取优化算法降低短期负荷预测的运算量。较多研究采用机器学习的算法进行负荷预测，但对于短期负荷预测中存在预测点过多造成运算量过大的问题未提出有效的方法进行优化。

4.未妥善处理负荷预测带来的日负荷曲线不平滑的情况。现有研究方法有对某日负荷每15min逐一进行单点预测，可能造成预测曲线不平滑的情况。

综上所述，故有必要考虑多种决策因素，尽可能地根据微电网负荷内部的规律特性，提出一种能可靠预测微电网短期负荷的SVR回归预测算法，并在尽量降低模型的复杂度，从而节省运算时间。

发明内容

本发明所要解决的技术问题在于克服微电网中负荷的不确定性带来的预测难点，提供一种基于独立成分分析与支持向量机的微电网短期负荷预测方法，以微电网区域日负荷作为最终预测变量，同时考虑到历史负荷数据中存在噪声干扰，进行自适应曲线拟合，使负荷曲线趋于平滑，去除噪声干扰，及避免预测所造成的负荷曲线不平滑的缺陷，提高模型的精确度或减小模型的运算量。

本发明具体采用以下技术方案解决上述技术问题：

基于独立成分分析与支持向量机的微电网短期负荷预测方法，包括：

步骤S1、采用Chebyshevv正交多项式对微电网区域历史日负荷数据进行曲线拟合，及增加罚函数对拟合效果进行优化；

步骤S2、以Chebyshevv正交多项式更新微电网区域历史负荷数据；利用独立成分分析方法对更新的微电网区域历史负荷数据进行独立元分析，获取历史负荷数据的负荷独立分离源和混合矩阵；

步骤S3、对历史日和预测日获取的气象数据，采用主成分分析方法获取主成分向量，并结合日期数据共同组建新的决策数据；

步骤S4、将所获取历史负荷数据的混合矩阵作为目标数据，结合历史日对应的决策数据，采用支持向量机配合烟花算法对其参数惩罚因子和核参数进行寻优，以获取最优支持向量机训练模型；

步骤S5、将预测日对应的决策数据代入最优支持向量机训练模型，获取预测日的混合矩阵并结合历史负荷数据的负荷独立分离源得到预测日负荷曲线。

进一步地，作为本发明的一种优选技术方案，所述步骤S1中增加罚函数对拟合效果优化，通过构建目标函数：

其中，f为目标函数，f₁、f₂分别为目标函数的第一项和第二项，L_i为第i个采集点对应的多项式自变量t_i构成的幂向量，T为转置，N为采集点数，ω为多项式权重系数组成的列向量，y_i为历史日第i个采集点负荷；λ_i为第i项正则化系数，ω_i为多项式拟合第i项权重系数，n为多项式拟合最高次幂的阶数；t_i为第i个采集时间点。

进一步地，作为本发明的一种优选技术方案：所述步骤S1中采用自适应的正则化系数：

其中，n为多项式拟合最高次幂的阶数，λ_min为最小正则化系数，λ_max为最大正则化系数。

进一步地，作为本发明的一种优选技术方案，所述步骤S1中更新微电网区域历史负荷数据采用公式：

y_i＝ω^T*L_i。

进一步地，作为本发明的一种优选技术方案，所述步骤S3还包括对历史日和预测日获取的气象数据进行标准化，采用公式：

其中

其中，z_i为原始数据序列的第i个采集点数值，x_i为标准化后数据序列第i个采集点数值，N为采集点数，k为计数，

为中间变量，z_k为原始数据序列的第k个采集点数值。

进一步地，作为本发明的一种优选技术方案，所述步骤S3采用主成分分析方法获取的主成分向量为：

其中，X_i为第i种指标数据构成的向量，l_mn为由主成分分析方法获取的系数，且m≤n；F_m为提取的第m个主成分向量。

进一步地，作为本发明的一种优选技术方案，所述步骤S3中共同组建新的决策数据为：

其中，X_h为历史日的决策数据，X_p为预测日的决策数据，F_hi为提取的历史日第i个主成分向量；F_pi提取的预测日第i个主成分向量；D_hi为历史日的日期数据；D_pi为预测日的日期数据。

进一步地，作为本发明的一种优选技术方案，所述步骤S4中采用支持向量机配合烟花算法对其参数惩罚因子c和核参数g进行寻优，具体为：

对支持向量机核函数选用高斯核，初始化烟花算法中M个烟花弹的位置，位置信息为惩罚因子c和核参数g；

采用式自适应半径r；在每一个烟花的位置模拟爆炸，并在自适应半径为r的范围内随机产生一定数量的火星，取得惩罚因子c和核参数g；

对所有烟花和火星个体所对应的惩罚因子c和核参数g和历史负荷数据的混合矩阵A_h进行训练，得到训练模型中历史负荷数据的混合矩阵A_h′；

根据历史负荷数据的混合矩阵A_h′和历史负荷数据的负荷独立分离源S，利用式

y_h′＝A_h′*S获取支持向量机训练模型中的历史负荷曲线；

根据支持向量机训练模型所得的历史负荷曲线，计算所有烟花和火星的适应度；

判断是否收敛条件，若是则停止计算，及获取最优惩罚因子c和核参数g，得到最优支持向量机训练模型。

进一步地，作为本发明的一种优选技术方案，所述步骤S4中烟花算法采用式自适应半径r，具体为：

其中，Td为最大迭代次数，r₁和r₂分别代表自适应半径的第一项和第二项，即半径随着代数自适应项和半径随着群体适应度自适应项，t为当前迭代次数，r_max和r_min为最大和最小爆炸半径，F_max,t为截至目前群体最大适应度，

为当前群体平均适应度，k为人为设定的正数，k越大，表示半径自适应第一项影响越大。

进一步地，作为本发明的一种优选技术方案，所述步骤S5获取预测日负荷曲线y_p采用公式：

y_p＝A_p*S

其中，A_p为预测日的混合矩阵；S为历史负荷数据的负荷独立分离源。

本发明采用上述技术方案，能产生如下技术效果：

本发明提供的基于独立成分分析与支持向量机的微电网短期负荷预测方法，该算法首先选取维度尽可能多的气象数据，用主成分分析法对微电网区域多维数据降维，且保留大部分数据信息，结合日期数据，共同组建决策变量；以微电网区域日负荷作为最终预测变量，同时考虑到历史负荷数据中存在噪声干扰，采用兼顾过拟合和欠拟合的Chebyshev多项式进行自适应曲线拟合，使负荷曲线趋于平滑，去除噪声干扰，并增加罚函数能实现多项式拟合准确性和泛化性的统筹兼顾，寻求曲线过拟合和欠拟合的中间平衡，使曲线更加平滑，能反映真实负荷状况。

以及，本发明采用ICA进行独立源分离，获取相应的混合矩阵和微电网分离源，进而采用FEO优化参数的SVR算法，以上述决策变量对混合矩阵进行预测模型训练，根据此模型预测未来短期负荷的混合矩阵，最后结合上述分离源，获取负荷曲线。本发明所提出的短期负荷预测方法中所提出的ICA方法，使得SVR训练模型的直接预测对象由96采集点间接转化为维度较少的混合矩阵，大大降低了预测模型的维度，减小了运算量，同时使用的决策数据经过主成分分析法获取，故决策数据维度较低却包含了信息较为完备的气象数据，并且避免了传统的基于SVR模型中的逐一单点预测所造成的负荷曲线不平滑的缺陷。且采用改进的烟花算法，主要改进之处在于爆炸半径的自适应，能够在较为宽广的连续内快速收敛到最优解。

因此，本发明针对新能源微电网，综合考虑具有典型天气特征和日期特征的微电网电源出力、负荷大小，以及存在噪声干扰的历史数据，从数学角度对数据进行去噪声和提取，进而建立一种基于ICA-SVR的负荷预测模型，能有效准确地预测微电网未来短期内的负荷。在回归预测中各步骤中所提出的改进和优化方法，提高了模型的精确度或减小模型的运算量。

附图说明

图1为本发明微电网短期负荷预测方法的流程示意图。

图2为本发明中的烟花算法的流程示意图。

具体实施方式

下面结合说明书附图对本发明的实施方式进行描述。

如图1所示，本发明设计了一种基于独立成分分析与支持向量机的微电网短期负荷预测方法，具体包括以下步骤：

步骤S1、采用Chebyshevv正交多项式对微电网区域历史日负荷数据进行曲线拟合，及增加罚函数对拟合效果进行优化。

从电力系统SCADA数据库系统可以获取某微电网区域历史日负荷数据，如负荷数据可以但不限于功率，采集周期为15min/次，故日负荷数据共有96个采集点，可构成历史日负荷曲线；历史日负荷SCADA数据经采集、传输、存储等一系列环节，受到内外部噪声的影响，负荷数据可能存在一定的误差或错误，采用插值的方法具有一定的局限性，故采用最佳一致逼近的方法，应用Chebyshev正交多项式对负荷曲线进行拟合，并且对过拟合采用罚函数的形式进行抑制优化，可构造目标函数为：

上式中f为目标函数，f₁、f₂分别为目标函数的第一项和第二项，L_i为第i个采集点对应的多项式自变量t_i构成的列向量，T为转置，N为采集点数，ω为多项式权重系数组成的列向量，y_i为历史日第i个采集点负荷；λ_i为第i项正则化系数，ω_i为多项式拟合第i项权重系数，n为多项式拟合最高次幂的阶数；t_i为第i个采集时间点。式第一项为拟合偏差项，第二项为罚函数项，区别于常规多项式拟合应用，结合两项目标函数寻求逼近函数和避免过拟合两者的平衡，获取具有较大泛化性的负荷曲线，从而削弱噪声数据对曲线影响；本发明进一步提出公式(2)用于多项式正则化系数的自适应，从而尽可能避免次数越高，造成的过拟合现象越严重的情况。

在正则化项中采用自适应的正则化系数，有利于削弱阶数越高造成的过拟合效应越明显的影响。自适应的正则化系数为：

公式(2)中，n为多项式拟合最高次幂的阶数，λ_min为最小正则化系数，λ_max为最大正则化系数，λ_i为阶数为i项的正则化系数。

以及，采用的Chebyshev正交多项式形式为：

对时间点t_c∈[a,b]可做以下尺度变换即可：

本步骤旨为获取具有负荷曲线拟合度较高且曲线的泛化性较强的ω。

步骤S2、以Chebyshevv正交多项式更新微电网区域历史负荷数据，即执行赋值操作：

y_i＝ω^T*L_i (5)

更新历史日负荷曲线数据，消除噪声干扰，利用独立成分分析方法ICA对更新的微电网区域历史负荷数据进行独立元分析，获取历史负荷数据的分离源S和混合矩阵A_h。根据历史日负荷数据得到分离源S，大小为N_s×96，N_s为ICA算法得到的分离元的个数，由于步骤S1采用多项式拟合对负荷数据进行了去噪和清洗，故应用ICA受到噪声干扰大大减少，所获取分离源的个数N_s远比采集点个数96小的多，故本发明区别于以往基于支持向量机回归模型在于应用了ICA做数据处理，明显地降低了SVR模型运算量；历史负荷数据的混合矩阵A_h大小为N_h×N_s，N_h为历史日负荷数据样本数。

步骤S3、对历史日和预测日获取的气象数据，采用主成分分析方法获取主成分向量，并结合日期数据共同组建新的决策数据。

获取历史日和预测日的基本气象数据指标可以但不限于：最高气温、最低气温、平均气温、空气湿度、最高光照强度、平均光照强度、最大风速、最小风速、平均风速、天气类型；历史日和预测日的日期数据可以包括日期类型、是否节假日等。设晴天为0，多云为1，阴天为2，小雨为3，中雨为4，大雨为5，暴雨为6，中间天气类型可适当取中间值；首先，对指标数据进行标准化，标准化公式如下：

其中，z_i为原始数据序列的第i个采集点数值，x_i为标准化后数据序列第i个采集点数值，N为采集点数，k为计数。

为中间变量，z_k为原始数据序列的第k个采集点数值。

然后，根据主成分分析方法，获取主成分向量：

式中X_i为第i种指标数据构成的向量，系数l_mn由主成分分析方法获取，且m≤n。F_m为提取的第m个主成分向量。可采用SPSS软件进行主成分分析，获取贡献率之和在90％以上时的系数，根据上式的主成分向量F；结合低纬度、弱相关的日期数据，共同组建基础指标，构建SVR训练模型决策数据，即在加上是否法定节假日D₁(是为0，否为1)、日期类型D₂(设从星期一到星期日依次为1到6)共同构成决策数据X，即为：

上式中，假设提取到k个主成分向量，则X_h为历史日的决策数据，X_p为预测日的决策数据，F_hi为提取的历史日第i个主成分向量；F_pi提取的预测日第i个主成分向量；D_hi为历史日的日期数据；D_pi为预测日的日期数据。之所以将天气数据和日期数据区别处理，主要是因为二者相关性不大，而主成分分析法适合解决相关性较强指标数据的降维和去相关性。

步骤S4、利用公式(8)中历史日的决策数据X_h作为支持向量机SVR训练决策数据，对应的历史负荷数据的混合矩阵A_h作为训练目标数据，采用改进的烟花算法FEO进行参数寻优，具体改进FEO算法步骤如下：

1.支持向量机SVR核函数选用高斯核，初始化烟花算法N个烟花弹的位置，位置信息为惩罚因子c和核参数g。

2.在用EFO算法对SVR模型作参数寻优时，对FEO算法爆炸半径r作了迭代优化，随着迭代爆炸半径由下式自适应，得到自适应半径r：

其中，Td为最大迭代次数，r₁和r₂分别代表自适应半径的第一项和第二项，，即半径随着代数自适应项和半径随着群体适应度自适应项；t为当前迭代次数，r_max和r_min为最大和最小爆炸半径，F_max,t为截至目前群体最大适应度，

为当前群体平均适应度。k为人为设定的正数，k越大，表示半径自适应第一项影响越大；式第一项为随迭代次数增加半径自适应减小项，第二项为群体平均适应度接近最优个体时半径自适应减小项。在每一个烟花的位置模拟爆炸，爆炸半径为r，若为初始爆炸，爆炸半径直接设为r_max，并在半径为r的范围内随机产生一定数量的火星，可按下式取得惩罚因子c和核参数g：

3.对所有烟花和火星个体所对应的惩罚因子c和核参数g和历史负荷数据的混合矩阵A_h进行训练，得到训练模型中历史负荷数据的混合矩阵A_h′；

4.根据历史负荷数据的混合矩阵A_h′和历史负荷数据的负荷独立分离源S，利用式y_h′＝A_h′*S获取支持向量机SVR训练模型中的历史负荷曲线；

5.根据回归模型预测所得的负荷曲线，计算所有烟花和火星的适应度，适应度函数设为：

式(11)中表明预测误差越小，适应度越大，Y_i,j、Y_i,j′分别表示第i个历史日的第j个采集点的原始值和回归模型中的计算值，其中e为人为设定的一个较小的正数；在所有烟花和火星中，选取适当度最优的N/4个位置，在剩下的烟花和火星中随机选取3N/4个位置，共同组成下一次烟花爆炸的位置；

6.判断是否收敛条件，若是，则停止计算，获取最优参数c和g，若否，则返回步骤2。

本步骤对FEO算法进行改进，能就支持向量机参数c和g在较大的连续域内进行参数寻优，且提出烟花爆炸半径的自适应方法，自适应项实现随爆炸次数和群体适应度的增加，半径自适应减小，加快了模型的收敛，从而实现了对SVR训练模型参数进行寻优，能建立准确的最优支持向量机训练模型。

步骤S5、采用最优参数c和g训练所得到的最优支持向量机SVR训练模型，对预测日的决策数据X_p进行回归预测，代入最优支持向量机SVR训练模型可得到预测日的混合矩阵A_p，并结合历史负荷数据的负荷独立分离源S，利用下述公式得到预测日负荷曲线：

y_p＝A_p*S (12)

本发明较于传统的支持向量机回归模型，区别在于本发明中ICA方法大大降低了模型的复杂度。本发明SVR的直接预测目标是混合矩阵，混合矩阵的维度比采集点维度大大减小，故降低了预测模型的运算量且并未丢失数据的准确度。

综上，本发明方法针对新能源微电网，综合考虑具有典型天气特征和日期特征的微电网电源出力、负荷大小，以及存在噪声干扰的历史数据，从数学角度对数据进行去噪声和提取，进而建立一种基于ICA-SVR的负荷预测模型，能有效准确地预测微电网未来短期内的负荷。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (9)

1.基于独立成分分析与支持向量机的微电网短期负荷预测方法，其特征在于，包括以下步骤：

步骤S1、采用Chebyshevv正交多项式对微电网区域历史日负荷数据进行曲线拟合，及增加罚函数对拟合效果进行优化；

步骤S2、以Chebyshevv正交多项式更新微电网区域历史负荷数据；利用独立成分分析方法对更新的微电网区域历史负荷数据进行独立元分析，获取历史负荷数据的负荷独立分离源和混合矩阵；

步骤S3、对历史日和预测日获取的气象数据，采用主成分分析方法获取主成分向量，并结合日期数据共同组建新的决策数据；

步骤S4、将所获取历史负荷数据的混合矩阵作为目标数据，结合历史日对应的决策数据，采用支持向量机配合烟花算法对其参数惩罚因子和核参数进行寻优，以获取最优支持向量机训练模型,具体为：

对支持向量机核函数选用高斯核，初始化烟花算法中M个烟花弹的位置，位置信息为惩罚因子c和核参数g；

采用自适应半径r；在每一个烟花的位置模拟爆炸，并在自适应半径为r的范围内随机产生一定数量的火星，取得惩罚因子c和核参数g；

对所有烟花和火星个体所对应的惩罚因子c和核参数g和历史负荷数据的混合矩阵A_h进行训练，得到训练模型中历史负荷数据的混合矩阵A_h′；

根据历史负荷数据的混合矩阵A_h′和历史负荷数据的负荷独立分离源S，利用式y_h′＝A_h′*S获取支持向量机训练模型中的历史负荷曲线；

根据支持向量机训练模型所得的历史负荷曲线，计算所有烟花和火星的适应度；

判断是否收敛条件，若是则停止计算，及获取最优惩罚因子c和核参数g，得到最优支持向量机训练模型；

步骤S5、将预测日对应的决策数据代入最优支持向量机训练模型，获取预测日的混合矩阵并结合历史负荷数据的负荷独立分离源得到预测日负荷曲线。

2.根据权利要求1所述基于独立成分分析与支持向量机的微电网短期负荷预测方法，其特征在于，所述步骤S1中增加罚函数对拟合效果优化，通过构建目标函数：

其中，f为目标函数，f₁、f₂分别为目标函数的第一项和第二项，L_i为第i个采集点对应的多项式自变量t_i构成的列向量，N为采集点数，ω为多项式权重系数组成的列向量，T为转置，y_i为历史日第i个采集点负荷数据；λ_i为第i项正则化系数，ω_i为多项式拟合第i项权重系数，n为多项式拟合最高次幂的阶数；t_i为第i个采集时间点。

3.根据权利要求2所述基于独立成分分析与支持向量机的微电网短期负荷预测方法，其特征在于，所述步骤S1中采用自适应的正则化系数：

其中，n为多项式拟合最高次幂的阶数，λ_min为最小正则化系数，λ_max为最大正则化系数。

4.根据权利要求2所述基于独立成分分析与支持向量机的微电网短期负荷预测方法，其特征在于，所述步骤S1中更新微电网区域历史负荷数据采用公式：

y_i＝ω^T*L_i。

5.根据权利要求1所述基于独立成分分析与支持向量机的微电网短期负荷预测方法，其特征在于，所述步骤S3还包括对历史日和预测日获取的气象数据进行标准化，采用公式：

其中

其中，z_i为原始数据序列的第i个采集点数值，x_i为标准化后数据序列第i个采集点数值，N为采集点数，

为中间变量，z_k为原始数据序列的第k个采集点数值。

6.根据权利要求1所述基于独立成分分析与支持向量机的微电网短期负荷预测方法，其特征在于，所述步骤S3中采用主成分分析方法获取的主成分向量为：

其中，X_i为第i种指标数据构成的向量，l_mn为由主成分分析方法获取的系数，且m≤n；F_m为提取的第m个主成分向量。

7.根据权利要求1所述基于独立成分分析与支持向量机的微电网短期负荷预测方法，其特征在于，所述步骤S3中共同组建新的决策数据为：

其中，X_h为历史日的决策数据，X_p为预测日的决策数据，_hi为提取的历史日第i个主成分向量；F_pi为提取的预测日第i个主成分向量；D_hi为历史日的日期数据；D_pi为预测日的日期数据。

8.根据权利要求1所述基于独立成分分析与支持向量机的微电网短期负荷预测方法，其特征在于，所述步骤S4中烟花算法采用自适应半径r，具体为：

其中，Td为最大迭代次数，t为当前迭代次数，r_max和r_min为最大和最小爆炸半径，r₁和r₂分别代表半径随着代数自适应项和半径随着群体适应度自适应项，k为正数，F_max,t为截至目前群体最大适应度，

为当前群体平均适应度。

9.根据权利要求1所述基于独立成分分析与支持向量机的微电网短期负荷预测方法，其特征在于，所述步骤S5获取预测日负荷曲线y_p采用公式：

y_p＝A_p*S

其中，A_p为预测日的混合矩阵；S为历史负荷数据的负荷独立分离源。

Images